클라우드플레어는 2026년 8월 31일에 공격 중에 차단 규칙을 스스로 작성하고 즉시 폐기하는 Bot Management 내의 엔진인 Adaptive Intelligence의 출시를 발표했습니다. 이 발표는 "모든 봇 공격의 경제를 무너뜨리다"라는 제목으로 진행되었습니다. 데이터 수집, 가격 모니터링 및 다중 계정 관리를 하는 모든 사람들에게 이는 단순한 릴리스가 아닙니다. 이는 지난 몇 년간의 작업을 지탱해온 주요 가정을 깨뜨립니다 — 발견된 우회 방법이 여전히 유효하다는 것입니다.
무엇이 출시되었는가
Adaptive Intelligence는 별도의 제품이 아니라 bot score 계산 방식의 재구성입니다. 클라우드플레어는 세 가지 구성 요소를 순차적으로 도입합니다:
- 지속적인 ML 재교육. bot score의 기초가 되는 모델은 이전에 고정된 버전으로 제공되었으며, 릴리스로 업데이트되었습니다. 이제는 네트워크의 실시간 트래픽에서 지속적으로 재교육됩니다.
- 일회성 규칙 (disposable rules). 엔진은 특정 위협에 맞춘 좁은 규칙을 생성하고, 이를 무작위 간격으로 배포하고 제거합니다. 규칙은 빠르게 구식이 되도록 설계되었습니다.
- 실시간 트래픽에서의 학습. 학습 신호에는 고객의 피드백과 탐지 누락이 포함됩니다 — 어제 시스템이 놓친 것은 오늘의 신호가 됩니다.
클라우드플레어의 CTO인 데인 크네흐트는 한 문장으로 논리를 정리했습니다: 공격의 확장 비용이 사실상 제로일 때 더 높은 벽을 쌓는 것은 무의미합니다. 따라서 차별점은 차단을 더 강하게 만드는 대신 예측 불가능하게 만드는 것입니다.
엔진이 통합하는 신호는 무엇인가
클라우드플레어는 Adaptive Intelligence가 동시에 평가하는 출처를 나열합니다:
- JA4 TLS 핸드셰이크 지문;
- HTTP 요청 구조;
- 챌린지 결과 (통과, 미통과, 어떻게 통과했는지);
- 세션 내 행동;
- 요청이 온 네트워크의 평판;
- Turnstile 및 Precursor — 2026년 7월에 시작된 행동 검증 엔진;
- JavaScript 지문;
- 히스틱 라이브러리 및 알려진 봇 검증.
이전 세대와의 근본적인 차이는 발표에서 이렇게 설명됩니다: 탐지가 결정론적이지 않게 됩니다. 이전에는 동일한 입력이 동일한 출력을 생성했으며, 이는 조합을 통해 학습할 수 있었습니다. 이제 결정은 여러 신호에 대한 통계적 추론이며, 고립하여 우회할 수 있는 단일 논리 조각이 없습니다.
왜 이것이 규모에 관한 것인가, 아름다운 말이 아닌
클라우드플레어가 이를 수행하는 맥락은 이 조치의 급진성을 설명합니다. 네트워크는 자동화의 징후를 찾기 위해 하루에 1조 개 이상의 요청을 분석합니다. 클라우드플레어 레이더에 따르면, 2026년 중반까지 자동 트래픽이 인간 트래픽을 초과했습니다: 웹 페이지에 대한 요청의 약 57%가 봇에 의해 발생하고, 약 43%가 사람에 의해 발생합니다. 매튜 프린스는 이 이정표를 2027년 말 이전에는 예상하지 못했다고 공개적으로 인정했습니다 — 에이전트 트래픽이 예측보다 빠르게 증가했습니다.
요청의 절반 이상이 자동화된 경우, 정적 모델은 실패합니다: 그 어떤 임계값도 빠르게 알려지게 됩니다. Adaptive Intelligence는 다양한 시간 창에서의 행동을 분석하여, 의도적으로 비율 임계값 이하로 유지되는 느린 캠페인을 포착합니다. "천천히 흘리면 눈치채지 못할 것"이라는 전술은 더 이상 신뢰할 수 없습니다.
또한 쉽게 간과할 수 있는 한 가지 세부 사항: 새로운 탐지는 먼저 실시간 트래픽에서 백그라운드로 실행되며, 정확성과 허위 긍정 여부를 확인한 후에만 활성화됩니다 — 다운타임 없이. 즉, 클라우드플레어는 이제 몇 주 또는 몇 달의 릴리스 주기가 필요 없는 규칙 배포 파이프라인을 보유하고 있습니다. 발표 시점에 이 기능은 Bot Management 고객에게 제공되며, 지속적인 재교육은 대시보드에서 Auto Update Machine Learning 설정을 통해 활성화됩니다.
이것이 실제로 무엇을 변화시키는가
솔직하게 말해보죠, 패닉 없이. Adaptive Intelligence는 "파싱을 죽이는" 것이 아닙니다 — 특정 작업 패턴을 죽입니다.
1. 우회는 장기 사용 자산이 아니다
이전에는 사이클이 이렇게 진행되었습니다: 일주일을 들여 조합을 찾고 (헤더, TLS 암호화 순서, 타이밍, IP 유형), 작동하는 구성을 찾으면 몇 달 동안 사용했습니다. 일회성 규칙과 무작위 생명 주기로 인해 이 사이클이 깨집니다: 아침에 완벽하게 통과했던 구성은 저녁에는 아침에 존재하지 않았던 규칙에 부딪힐 수 있으며, 내일은 그 규칙이 없을 것입니다. 엔지니어링 비용은 "우회 찾기"에서 "규칙 변경을 수동 개입 없이 견딜 수 있는 인프라 유지"로 전환됩니다.
2. 전체 풀에 대한 단일 구성은 취약점이 된다
모든 트래픽이 동일하게 보인다면 — 동일한 JA4, 동일한 헤더 순서, 동일한 요청 리듬 — 하나의 좁은 규칙이 하나의 흐름을 잡으면 모든 것을 동시에 무너뜨립니다. 바로 이러한 동질성에 기반하여 일회성 규칙의 경제가 형성됩니다: 이들은 좁지만 유사한 클라이언트의 전체 클러스터를 포괄합니다. 자신의 트래픽 내 다양성은 더 이상 보험이 아니라 필수 요구 사항이 됩니다.
3. IP 출처의 중요성이 증가한다
네트워크의 평판은 평가되는 신호 중 하나로 명시적으로 언급됩니다. 결정이 통계적일 때, 각 신호는 최종 점수에 영향을 미칩니다: IP 요청이 약하면 다른 모든 축에서 완벽함을 요구합니다. 명확한 ASN을 가진 데이터 센터 서브넷은 여기서 불리하게 작용합니다 — 이들은 모델에 준비된, 안정적이며 계산 비용이 저렴한 신호를 제공합니다. 주거용 프록시와 특히 모바일 프록시는 네트워크 맥락을 제공하며, 이는 스스로 증거가 아닙니다: 하나의 모바일 IP 뒤에 CGNAT를 통해 수백 명의 실제 사용자가 있을 수 있으며, 이러한 주소를 차단하는 것은 방어자에게 허위 긍정으로 인해 비쌉니다.
4. 성공 메트릭이 변화한다
일회성 규칙에서는 "작동 / 작동하지 않음"을 단기적으로 측정하는 것이 무의미합니다. 긴 거리에서의 성공적인 응답 비율과 재시도 시의 성공적인 기록 하나의 비용이 중요해집니다 — 우리는 기가바이트당 가격이 오해를 불러일으킨 이유를 자세히 설명했습니다. Adaptive Intelligence와 함께 이 간극은 더욱 커질 것입니다: 차단된 시도의 트래픽은 여전히 비용이 발생합니다.
작업 재구성 방법
가까운 몇 주 내에 의미 있는 최소한의 작업은 다음과 같습니다:
- 고장 사실이 아닌 성능 저하 모니터링을 도입하십시오. 알림은 10-15%의 성공률 감소에 대해 작동해야 하며, 전체 실패에 대해 작동해서는 안 됩니다. 일회성 규칙에서는 전체 실패가 없을 수도 있으며, 느린 침식이 발생할 수 있습니다.
- 풀 내에서 지문을 분산하십시오. 다양한 브라우저 스택 버전, 다양한 TLS 프로필, 다양한 타이밍. 목표는 좁은 규칙이 일부 트래픽을 포괄하도록 하는 것입니다.
- 고정된 지연을 포기하십시오. 2초의 고정된 대기 시간은 신호입니다. 현실적인 분포로의 변동은 생각보다 저렴합니다.
- 작업의 중요성에 따라 풀을 분리하십시오. 탐색 요청과 제품 수집은 동일한 주소에서 이루어져서는 안 됩니다: 탐색이 드러나지 않도록 해야 합니다.
- 재시도 예산을 재계산하십시오. 실패한 시도의 비율이 이전보다 더 크게 변동할 것이라는 점을 감안하고, 이는 정상적인 모드이지 비상 상황이 아닙니다.
- 공식적인 우회 레시피에 의존하지 마십시오. 널리 퍼진 기법은 이전보다 더 빨리 학습 샘플에 포함됩니다: 탐지 누락은 이제 명시적으로 학습 신호로 들어갑니다.
다중 계정 관리에 대해 별도로 언급하자면: Turnstile 및 Precursor의 행동 텔레메트리는 환경 에뮬레이션의 품질이 계정 수보다 더 중요하다는 것을 의미합니다. IP, 지문 및 작업 리듬에 대해 정직하게 분산된 20개의 계정이 200개의 복제된 계정보다 이러한 보호를 더 잘 견딜 것입니다. 더욱이 ML 안티봇는 이미 특성 간의 연결성을 보고 있습니다.
발표에 없는 것들
경계를 명확히 할 필요가 있습니다. 클라우드플레어는 탐지의 정확성, 허위 긍정 비율, 규칙의 구체적인 생명 주기를 공개하지 않습니다 — 단지 간격이 무작위라고만 언급했습니다. Adaptive Intelligence가 Bot Management 요금보다 낮은 요금제로 얼마나 빨리 도달할지에 대한 데이터도 없습니다. 따라서 실제 효과를 평가할 수 있는 것은 가까운 몇 주 내에 자신의 메트릭을 통해서만 가능하며, 다른 보고서로는 이해할 수 없습니다.
보호자들이 말하기를 꺼리는 또 다른 측면이 있습니다: 지속적으로 재교육되는 모델의 규칙이 몇 분 동안 지속되는 경우, 허위 긍정도 부유하게 됩니다. 합법적인 통합, 드문 브라우저 및 특정 클라이언트가 명확한 이유 없이 좁은 규칙에 걸릴 위험이 있습니다. 클라우드플레어는 배포 전에 탐지를 백그라운드로 테스트하여 이에 대응하지만, 실제로 얼마나 효과적일지는 미지수입니다.
결론
Adaptive Intelligence는 2026년 7월에 시작된 Precursor의 논리적 연속입니다: 보호는 "당신이 누구인지"를 확인하는 것에서 "당신이 어떻게 행동하는지"를 지속적으로 관찰하는 것으로 이동하며, 결정을 의도적으로 불안정하게 만듭니다. "구멍을 발견했다 — 이를 활용한다"는 전략은 "규칙이 발 아래에서 변경될 때 견딜 수 있는 시스템을 구축한다"는 전략으로 대체됩니다. 가장 교활한 우회를 찾은 사람이 아니라, 다양한 네트워크 프로필, 정직한 행동 및 성능 저하를 조기에 보여주는 메트릭을 가진 사람이 승리합니다.